沿第二轴连接 2 个 1D `numpy` 数组答案

【问题标题】：Concatenation of 2 1D `numpy` Arrays Along 2nd Axis沿第二轴连接 2 个 1D `numpy` 数组
【发布时间】：2016-05-25 20:55:17
【问题描述】：

执行

import numpy as np
t1 = np.arange(1,10)
t2 = np.arange(11,20)

t3 = np.concatenate((t1,t2),axis=1)

导致

Traceback (most recent call last):

  File "<ipython-input-264-85078aa26398>", line 1, in <module>
    t3 = np.concatenate((t1,t2),axis=1)

IndexError: axis 1 out of bounds [0, 1)

为什么会报告轴 1 超出范围？

【问题讨论】：

标签： arrays numpy concatenation numpy-ndarray index-error

【解决方案1】：

你的标题解释了它 - 一维数组没有第二轴！

但话虽如此，在我的系统和@Oliver W.s 上，它不会产生错误

In [655]: np.concatenate((t1,t2),axis=1)
Out[655]: 
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 11, 12, 13, 14, 15, 16, 17, 18,
       19])

这是我对axis=0 的预期结果：

In [656]: np.concatenate((t1,t2),axis=0)
Out[656]: 
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 11, 12, 13, 14, 15, 16, 17, 18,
       19])

当数组为 1d 时，concatenate 似乎忽略了 axis 参数。我不知道这是我 1.9 版本中的新内容，还是旧内容。

如果需要更多控制，请考虑使用 vstack 和 hstack 包装器，如果需要，它们会扩展数组维度：

In [657]: np.hstack((t1,t2))
Out[657]: 
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 11, 12, 13, 14, 15, 16, 17, 18,
       19])

In [658]: np.vstack((t1,t2))
Out[658]: 
array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9],
       [11, 12, 13, 14, 15, 16, 17, 18, 19]])

【讨论】：

【解决方案2】：

你最好使用 Numpy 的另一个函数 numpy.stack。
它的行为类似于 MATLAB 的 cat。

numpy.stack 函数不要求数组具有连接它们的维度。

【讨论】：

【解决方案3】：

这是因为您需要将其更改为二维，因为一个维度不能与它连接。通过这样做，您可以添加一个空列。如果您运行以下代码，它将起作用：

import numpy as np 
t1 = np.arange(1,10)[None,:]
t2 = np.arange(11,20)[None,:]
t3 = np.concatenate((t1,t2),axis=1)
print(t3)

【讨论】：

【解决方案4】：

如果您需要一个包含两列的数组，您可以使用 column_stack：

import numpy as np
t1 = np.arange(1,10)
t2 = np.arange(11,20)
np.column_stack((t1,t2))

哪些结果

[[ 1 11]
 [ 2 12]
 [ 3 13]
 [ 4 14]
 [ 5 15]
 [ 6 16]
 [ 7 17]
 [ 8 18]
 [ 9 19]]

【讨论】：

【解决方案5】：

这是因为 Numpy 表示一维数组的方式。以下使用 reshape() 将起作用：

t3 = np.concatenate((t1.reshape(-1,1),t2.reshape(-1,1),axis=1)

说明：这是一维数组最初创建时的形状：

t1 = np.arange(1,10)
t1.shape
>>(9,)

'np.concatenate' 和许多其他函数不喜欢缺少的维度。 Reshape 执行以下操作：

t1.reshape(-1,1).shape
>>(9,1)

【讨论】：